SDM人脸对齐算法研究
人脸对齐的算法是我本科阶段的毕业设计课题，从最初的一脸迷茫到最后完成毕设，两个月的时光，恭喜自己顺利完成了毕业设计，在过程中，更是不能缺少指导老师以及学长们给予的帮助。衷心感谢！
- 人脸对齐的目的是对人脸进行归一化，工作核心是定位面部关键点。本博客中讨论的SDM是一种人脸对齐的优化算法。利用SIFT算法计算人脸关键点处的特征点描述子，在训练过程中学习多组特征点集的下降方向，使得初始化的特征点集向标记特征点集收敛。
宿佳宁老师的《人脸对齐算法研究》中提到：图像采集、人脸检测、人脸对齐、分类识别四个部分组成了人脸识别的工作过程。
其中人脸对齐作为人脸识别的一个组成部分，将会影响整个流程的工作效率和正确率，所以高效率的人脸对齐算法是研究的主要目的。
人脸对齐算法的研究工作存在很多难点，人脸图像易受外界因素影响，这些因素大致有以下几点：面部遮挡、光照变化、复杂的背景、采集图像时的拍摄角度、面部表情变化。
在研究过程中采集面部轮廓、眉毛、鼻子、眼睛、嘴唇的形状作为关键点集合，包含68个关键点，其中17个点代表人脸轮廓，10个点代表眉毛形状，9个点代表鼻子形状，12个点代表眼睛形状，20个点代表嘴唇形状，如下图所示：
- 过程中的数学建模的部分就不细写了，在很多老师的论文中都有数学建模的过程以及其原理。
- 在研究过程中，我将整个SDM算法分为了三个框架：图像预处理框架、训练框架、测试框架。
预处理
为了方便后期的工作，先将样本集归一化，这样可以大大的提高训练的效率。对载入的图像进行人脸检测，并对人脸进行裁剪，将人脸部分裁剪为200*200大小的图片；同时，也对图像对应的标记关键点集做变化，生成对应大小的关键点集。下图是原样本集的图像截图：
经过预处理后的截图为：
（在研究初期我并没有对样本集进行预处理，导致我在研究过程中一次次的绕弯，但是走不到终点。。。对此，感觉自己被自己蠢哭了。。hhhhhh）
训练
a.求偏差：进入训练框架后，首先需要计算当前特征点集（当前形状）与标记特征点集（目标形状）的偏差；
b.计算特征点描述子：载入当前样本图片和关键点集，通过SIFT计算关键点的描述子；
c.计算回归器并保存数据：将a和b的结果传入实现最小二乘法/梯度下降法的函数，求解出使得目标函数（损失函数）取最小值时的数据（回归器）并保存。
不过此处我建议使用梯度下降法，因为我在最初的时候是使用最小二乘法，也可能是我实现过程中的缺陷，每运行一次训练，就需要很大的时间成本，而且过程中出现了很多大大小小的bug。所以我建议采用matlab一起结合，用matlab实现梯度下降法，大大减小了时间成本
测试
下面直接放上测试的结果：
首先是简化的训练样本集和测试集（设置了一个卡通人脸样本集的训练，算法的原理和流程和SDM算法一模一样，唯一不同的是卡通人脸样本的特征点较少，证明SDM算法的可行性）：
人脸样本集：在研究过程中，人脸样本集的测试我分了几种情况：1.遮挡测试；2.角度测试；3.表情测试；4.光照测试；5.图片质量测试。在本博客中就不一一展示，只放出几张测试图。
最后是为了测试算法的真实性，指导老师要求测试本人的一张照片，这个结果还存在偏差，并不是最优结果，还需要再进行迭代收敛。
好了，到这里就结束了这次人脸对齐算法的博客更新。很多具体的细节都没有写出来，如果有疑问的博友，可以留言；还有，因为只是自己的研究，所以过程中可能也有错误的观点，希望各位博友指出并给出建议，感谢！